申请/专利权人:南京特殊教育师范学院
申请日:2023-09-08
公开(公告)日:2024-03-22
公开(公告)号:CN117011944B
主分类号:G06V40/20
分类号:G06V40/20;G06V10/774;G06N20/00;G06V10/764
优先权:
专利状态码:有效-授权
法律状态:2024.03.22#授权;2023.11.24#实质审查的生效;2023.11.07#公开
摘要:本发明公开了基于深度学习的步态识别矫治方法及系统,属于步态识别与矫正技术领域,其具体包括:采集行人行走时的步态视频数据,对采集到的步态数据进行清洗和预处理,筛选出行人行走时步长最大的图像数据,训练深度学习步态识别模型,并将筛选出的行人行走时步长最大的图像数据输入深度学习步态识别模型中,进行步态识别,对识别出的步态与规范步态进行对比,并筛选出行走时步态异常图像,根据异常的行走步态情况,设计相应的矫治方法,并对设计的矫治方法的效果进行评估,通过对关键节点的特征提取,制定健康步态的约束条件,精准的判定出异常图像及异常位置,制定步态矫正计划,定期对矫正效果进行再评估和调整。
主权项:1.基于深度学习的步态识别矫治方法,其特征在于,包括以下步骤:步骤S1:采集行人行走时的步态视频数据;步骤S2:对采集到的步态视频数据进行清洗和预处理,筛选出行人行走时步长最大的图像数据;步骤S3:训练深度学习步态识别模型,并将筛选出的行人行走时步长最大的图像数据输入深度学习步态识别模型中,进行步态识别;步骤S4:对识别出的步态与规范步态进行对比,并筛选出行走时步态异常图像;步骤S5:根据异常的行走步态情况,设计相应的矫治方法,并对设计的矫治方法的效果进行评估;所述步骤S2中的预处理包括:去噪和筛选行人行走时步长最大的图像;所述步骤S3的具体步骤为:步骤S301:将标注好的规范步态图像数据输入深度学习步态识别模型中,设置神经网络中的参数;所述深度学习步态识别模型为卷积神经网络中的任意一种;步骤S302:进行网络模型训练,得到深度学习步态识别模型的输出结果,将深度学习步态识别模型的输出结果与真实标签进行标胶,计算模型损失函数的值;步骤S303:根据参数的梯度来更新深度学习步态识别模型的参数值,直至损失函数的值达到收敛时为止;步骤S304:将筛选出的行人行走时步长最大的图像数据输入深度学习步态识别模型中,进行步态识别,识别出关节特征点,所述识别出的关节特征点包括:左髋关节、右髋关节、左膝、右膝、左脚踝、右脚踝;所述步骤S4的具体步骤为:步骤S401:以未行走时的左脚踝为原点,建立以左脚踝平行线为x轴,垂直线为y轴,竖直线为z轴的三维坐标系,左脚踝的初始坐标为0,0,0;步骤S402:设定左髋关节的坐标为xzk,yzk,zzk,右髋关节的坐标为xyk,yyk,zyk,左膝的坐标为xzx,yzx,zzx,右膝的坐标为xyx,yyx,zyx,左脚踝的坐标为xzj,yzj,zzj,右脚踝的坐标为xyj,yyj,zyj,左腿行走的步长为dz,右腿行走的步长为dy;步骤S403:计算行走步态健康的约束条件,约束条件公式为: dz,dy≤d,其中,k表示行走时左右腿斜率分类的最佳阈值,e表示自然对数,k1、b1表示左髋关节和左脚踝的连线参数,y1=k1x+b1表示左髋关节和左脚踝的连线,k2、b2表示右髋关节和右脚踝的连线参数,y2=k2x+b2表示右髋关节和右脚踝的连线,d表示行走时左右腿步长分类的最佳阈值;步骤S404:当行人行走时步态不符合约束条件时,判定步态异常,筛选出步态异常的图像。
全文数据:
权利要求:
百度查询: 南京特殊教育师范学院 基于深度学习的步态识别矫治方法及系统
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。